短时强降水预报是气象人工智能领域的重要研究方向，但传统基于深度学习的外推方法通常采用确定性建模范式，容易产生“均值模糊”现象，对对流系统非线性演变及其不确定性的刻画能力有限，在2–6小时关键预报时效内预报性能明显下降。针对上述问题，本报告围绕生成式人工智能在短时强降水预报中的应用，系统介绍一系列基于流匹配（Flow Matching）与扩散Transformer（Diffusion Transformer, DiT）的渐进式研究成果，构建面向多源、多模态信息融合的统一生成式预报框架。首先，提出StormDiT模型，通过统一建模降水演化的概率分布，实现雷达回波的高质量生成式外推预报，有效提升了2-6小时的预报能力。第二，针对多源观测数据存在的异构性、非连续性及覆盖差异等问题，提出PRISMA生成式融合框架，实现多源卫星信息的统一表示与高效融合，提升了降水反演与多源协同建模能力。在此基础上，进一步发展StormDiT-2多模态短时预报模型，将静止气象卫星及数值天气预报背景场等多源观测信息纳入统一生成框架，实现对对流初生、发展及演变过程的联合建模，进一步提升了极端强降水过程的预报精度与时空一致性。本系列研究展示了生成式人工智能在复杂天气过程建模、多源观测融合及概率预报方面的应用潜力，为构建新一代多模态短时强降水预报模型提供了新的研究思路和技术路径。

降水短临预报,生成式模型